CN110245874A - 一种基于机器学习和知识推理的决策融合方法 - Google Patents
一种基于机器学习和知识推理的决策融合方法 Download PDFInfo
- Publication number
- CN110245874A CN110245874A CN201910540848.6A CN201910540848A CN110245874A CN 110245874 A CN110245874 A CN 110245874A CN 201910540848 A CN201910540848 A CN 201910540848A CN 110245874 A CN110245874 A CN 110245874A
- Authority
- CN
- China
- Prior art keywords
- data
- entity
- information
- user
- portrait
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000001093 holography Methods 0.000 claims description 3
- 238000002844 melting Methods 0.000 claims description 3
- 230000008018 melting Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000002860 competitive effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 239000012491 analyte Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于机器学习和知识推理的决策融合方法,其包括有关联多源数据并标识实体、融合实体对象的数据特征与决策、表示关系图谱和用户画像、预测分析群体行为、融合并分析面向实体对象的信息五个步骤,采用数据特征分析、维数约简方法,确定影响实体标识的关键因素,根据特定领域分析需求的类目标标签配置信息,利用向量空间模型VSM或者TF/IDF进行标识建模,基于概率图模型聚类方法评价实体标识概率,结合封闭系统可靠数据匹配方法,减少样本关联非一致性的影响。形成一套适用于政府大数据分析服务的技术体系,研发一套拥有自主知识产权、在领域内具有竞争力的工具产品。
Description
技术领域
本发明涉及一种决策融合方法,尤其涉及面向实体对象的数据分析解决方案。
背景技术
针对多数据源/多模态/多渠道信息难以关联利用、政府大数据应用领域知识图谱匮乏、社会群体行为预测以及事件建模技术研究不足等问题,针对①难以把握面向实体对象(如人、物、事件等)并融合政府内部关系型数据的准确性、开放社会数据的广泛性和行业数据的深度性特征的问题;②多源数据关联处理与特征融合技术中,多元、多源数据条件下实体对象统一ID标识困难的问题,目前的方案是需要突破制约政府大数据融合与深度分析应用的关键技术障碍,也需要融合政府内部关系型数据的准确性、开放社会数据的广泛性和行业数据的深度性特征,因此迫切需要形成一套解决上述问题技术解决方案。
发明内容
为解决上述技术问题,提供了一种基于机器学习和知识推理的决策融合方法,其特征在于,包括如下步骤;
步骤一:关联多源数据并标识实体,将结构化与非 SQL 结构化数据的实体多维度标签识别和对应分析,确定具有全渠道拉通意义的标签作为标识ID,实现样本信息的一致性关联与可靠性评价;
步骤二:融合实体对象的数据特征与决策,采用特征抽取方法定义实体多维度标签,形成面向特定领域分析的有效特征指标,分析面向实体的多模态信息决策融合,抽取实体中隐含的高层级分类信息,基于不同机器学习算法构建多种分类器,获得有效决策融合的指标信息;
步骤三:表示关系图谱和用户画像,基于多源数据融合输出的标签信息,通过知识抽取、上下文感知来构建的关系图谱,解决关系图谱的实体对齐和实体关系的不一致性问题;利用实体相似性链接建立网络关系图谱;
步骤四:预测分析群体行为,预判分析社会需求,抽取热点事件的方法,利用统计推理进行事件识别,在用户画像基础上利用用户兴趣类标签对用户群体分类,分析不同用户群体的态势预测群体行为并得到进一步的用户动态信息;
步骤五:融合并分析面向实体对象的信息,整合前述步骤一至步骤四的数据,形成包括样本实体标识、数据特征融合、用户画像、关系图谱分析等内容在内的算法、工具以及与平台集成接口;
采用数据特征分析、维数约简方法,确定影响实体标识的关键因素,根据特定领域分析需求的类目标标签配置信息,利用向量空间模型 VSM 或者 TF/IDF 进行标识建模,基于概率图模型聚类方法评价实体标识概率,结合封闭系统可靠数据匹配方法,减少样本关联非一致性的影响。
在上述技术方案的基础上,用户画像分析包括有信息关联与抽提、画像建模与主题分析、画像表达。
在上述技术方案的基础上,信息关联与抽提包括有如下步骤:
步骤一:精确描述用户特征;
步骤二:用户数据挖掘建模;
步骤三:多维度信息融合;
步骤四:多渠道数据关联;
步骤五:动态数据更新;
针对个体特征信息分散问题,使用面向特定应用领域的用户全息画像建模方法,利用行为属性等实现标签泛化、精准推荐,提升用户属性标签准确性和画像完整性;并将用户行为特征可视化,用微观画像全方位立体表达研究对象。
在上述技术方案的基础上,还包括有多源感知信息融合架构,该架构包括有基础支撑、数据处理、搜索查询接口、数据共享开放、数据服务,基础支撑包括有数据集群、元数据、实体库、语义标签,数据处理包括有将数据按照类型分类的领域空间、使用算法对数据进行预处理的结构空间、整合数据特征的特征空间和根据数据特征做出决策的决策空间。
有益效果:(1)形成一套适用于政府大数据分析服务的技术体系,将实体拉通标识、实体信息特征融合与决策融合技术、用户画像技术、社会群体行为预测技术应用于大数据的认知环节。(2)研发一套拥有自主知识产权、在领域内具有竞争力的工具产品:多源信息感知融合算法工具集。该工具集通过实体对象信息融合和用户画像从表达层面结合知识图谱上升到知识理解层面,支撑大数据开放共享平台的智能分析服务。
具体实施方式
一种基于机器学习和知识推理的决策融合方法,其特征在于,包括如下步骤;步骤一:关联多源数据并标识实体,将结构化与非 SQL 结构化数据的实体多维度标签识别和对应分析,确定具有全渠道拉通意义的标签作为标识ID,实现样本信息的一致性关联与可靠性评价;步骤二:融合实体对象的数据特征与决策,采用特征抽取方法定义实体多维度标签,形成面向特定领域分析的有效特征指标,分析面向实体的多模态信息决策融合,抽取实体中隐含的高层级分类信息,基于不同机器学习算法构建多种分类器,获得有效决策融合的指标信息;步骤三:表示关系图谱和用户画像,基于多源数据融合输出的标签信息,通过知识抽取、上下文感知来构建的关系图谱,解决关系图谱的实体对齐和实体关系的不一致性问题;利用实体相似性链接建立网络关系图谱;步骤四:预测分析群体行为,预判分析社会需求,抽取热点事件的方法,利用统计推理进行事件识别,在用户画像基础上利用用户兴趣类标签对用户群体分类,分析不同用户群体的态势预测群体行为并得到进一步的用户动态信息;步骤五:融合并分析面向实体对象的信息,整合前述步骤一至步骤四的数据,形成包括样本实体标识、数据特征融合、用户画像、关系图谱分析等内容在内的算法、工具以及与平台集成接口;采用数据特征分析、维数约简方法,确定影响实体标识的关键因素,根据特定领域分析需求的类目标标签配置信息,利用向量空间模型 VSM 或者 TF/IDF 进行标识建模,基于概率图模型聚类方法评价实体标识概率,结合封闭系统可靠数据匹配方法,减少样本关联非一致性的影响。
多源分析数据在内容、表达结构、语义特征、时空特性等诸多方面千差万别,如何将复杂海量的样本信息解释为决策者理解并且能依据其进行综合判别,将是一项复杂的技术研究和攻关任务。本发明从多层面、多粒度实现感知数据到高层语义空间的统一内容理解和信息聚合,提出了一种数据异构到决策异构的融合描述与推理方法,由此获得被观测对象行为或状态的一致性解释以及推理演化。
针对实体对象(如人、物、事件等),综合内部关系型数据的准确性、开放社会数据的广泛性和行业数据的深度特征,研究各类数据样本属性和资源的智能关联。采用数据特征分析、维数约简方法,确定影响实体标识的关键因素。根据特定领域分析需求的类目标标签配置信息,利用向量空间模型 VSM 或者 TF/IDF 进行标识建模。基于概率图模型聚类方法评价实体标识概率,结合封闭系统可靠数据匹配方法,减少样本关联非一致性的影响。通过模式识别和机器学习算法,实现多领域实体 ID 的拉通识别,从多维度、多模态、时间尺度与空间维度,获得被观测对象或状态的一致性解释或标签化描述。
采用集成学习的特征选择以及深度置信网络方法构建信息特征抽取模型,剖析多模态样本信息的几何结构、分布特征、拓扑关系等,建立起政府大数据的多级数据空间,支撑高阶分析。在把握信息特征结构的基础上,面向特征应用领域与决策目标,借助属性集合、关系图谱、全息画像等,通过不同特征组合构建多个决策分类器,利用遗传算法搜索、结合信息熵的特征重要度排序方法,提取目标分析对象的模式信息,实现实体对象样本标签的决策特征标识,提高面向实体的决策信息抽取的准确率,达到多源主体的决策融合目的,提高实体对象的存在与可量测以及事件建模、行为跟踪与预测、态势评估等智能服务推理能力,解决数据异构与决策异构的融合断链问题。
以实体识别为目标,基于样本表征整体的样本子集规模和子集特征选择方法,依据属性依赖度、交叉熵、信息增益、KL 散度等指标,剔除不相关的冗余特征信息。利用特征重要度等评价样本子集规模和子集特征选择方法。构建集成学习的特征选择模型、深度置信网络信息特征抽取模型,剖析多模态样本信息的几何结构、分布特征、拓扑关系等,实现多源感知信息的特征融合。
通过特征与语义关键词之间的关联,提取目标分析对象的模式信息。利用概率模型与可信度加权方法实现局部决策融合。将遗传算法搜索和信息熵重要度排序方法结合,评价多个决策分类模型性能,确定实体对象的决策特征标识。基于知识库关系推理方法,从有监督的训练数据中自动发现分类规则,实现领域知识的决策融合,并且建立融合方案匹配度评价模型,消除多种算法判别结果存在的不确定性。
借助实体标签融合数据和语义模型,采用高价值信息检测、模板匹配、上下文感知和实体链接关系构建等方法,构建实体网络关系图谱。面向特定领域场景和规则库,采用相似性度量策略,利用模糊 C 均值聚类等方法,解决实体对齐问题。基于图的半监督学习算法发现更多有价值的实体对和实体关系。利用多种数据源之间的冗余数据、频度属性以及政府数据的可靠性,消减图谱实体关系的不一致性。
优选的,用户画像分析包括有信息关联与抽提、画像建模与主题分析、画像表达。
面向信息融合后的用户实体,建立完善的用户画像标签体系结构,抽取多个行为特征底层标签,利用支撑向量机等方法为用户标记兴趣群体、行为属性。通过标签传播方法扩展标签,利用语义相似性计算实现精准推荐,解决数据稀疏、标签不全、噪音标签和粒度过粗等导致用户画像质量偏低的问题。
优选的,信息关联与抽提包括有如下步骤:
步骤一:精确描述用户特征;
步骤二:用户数据挖掘建模;
步骤三:多维度信息融合;
步骤四:多渠道数据关联;
步骤五:动态数据更新;
针对个体特征信息分散问题,使用面向特定应用领域的用户全息画像建模方法,利用行为属性等实现标签泛化、精准推荐,提升用户属性标签准确性和画像完整性;并将用户行为特征可视化,用微观画像全方位立体表达研究对象。
优选的,还包括有多源感知信息融合架构,该架构包括有基础支撑、数据处理、搜索查询接口、数据共享开放、数据服务,基础支撑包括有数据集群、元数据、实体库、语义标签,数据处理包括有将数据按照类型分类的领域空间、使用算法对数据进行预处理的结构空间、整合数据特征的特征空间和根据数据特征做出决策的决策空间。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于机器学习和知识推理的决策融合方法,其特征在于,包括如下步骤;
步骤一:关联多源数据并标识实体,将结构化与非 SQL 结构化数据的实体多维度标签识别和对应分析,确定具有全渠道拉通意义的标签作为标识ID,实现样本信息的一致性关联与可靠性评价;
步骤二:融合实体对象的数据特征与决策,采用特征抽取方法定义实体多维度标签,形成面向特定领域分析的有效特征指标,分析面向实体的多模态信息决策融合,抽取实体中隐含的高层级分类信息,基于不同机器学习算法构建多种分类器,获得有效决策融合的指标信息;
步骤三:表示关系图谱和用户画像,基于多源数据融合输出的标签信息,通过知识抽取、上下文感知来构建的关系图谱,解决关系图谱的实体对齐和实体关系的不一致性问题;利用实体相似性链接建立网络关系图谱;
步骤四:预测分析群体行为,预判分析社会需求,抽取热点事件的方法,利用统计推理进行事件识别,在用户画像基础上利用用户兴趣类标签对用户群体分类,分析不同用户群体的态势预测群体行为并得到进一步的用户动态信息;
步骤五:融合并分析面向实体对象的信息,整合前述步骤一至步骤四的数据,形成包括样本实体标识、数据特征融合、用户画像、关系图谱分析等内容在内的算法、工具以及与平台集成接口;
采用数据特征分析、维数约简方法,确定影响实体标识的关键因素,根据特定领域分析需求的类目标标签配置信息,利用向量空间模型 VSM 或者 TF/IDF 进行标识建模,基于概率图模型聚类方法评价实体标识概率,结合封闭系统可靠数据匹配方法,减少样本关联非一致性的影响。
2.如权利要求1所述的一种基于机器学习和知识推理的决策融合方法,其特征在于,用户画像分析包括有信息关联与抽提、画像建模与主题分析、画像表达。
3.如权利要求1所述的一种基于机器学习和知识推理的决策融合方法,其特征在于,信息关联与抽提包括有如下步骤:
步骤一:精确描述用户特征;
步骤二:用户数据挖掘建模;
步骤三:多维度信息融合;
步骤四:多渠道数据关联;
步骤五:动态数据更新;
针对个体特征信息分散问题,使用面向特定应用领域的用户全息画像建模方法,利用行为属性等实现标签泛化、精准推荐,提升用户属性标签准确性和画像完整性;并将用户行为特征可视化,用微观画像全方位立体表达研究对象。
4.如权利要求1至3任一项所述的一种基于机器学习和知识推理的决策融合方法,其特征在于,还包括有多源感知信息融合架构,该架构包括有基础支撑、数据处理、搜索查询接口、数据共享开放、数据服务,基础支撑包括有数据集群、元数据、实体库、语义标签,数据处理包括有将数据按照类型分类的领域空间、使用算法对数据进行预处理的结构空间、整合数据特征的特征空间和根据数据特征做出决策的决策空间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910235495 | 2019-03-27 | ||
CN2019102354959 | 2019-03-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245874A true CN110245874A (zh) | 2019-09-17 |
CN110245874B CN110245874B (zh) | 2024-05-10 |
Family
ID=67888672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540848.6A Active CN110245874B (zh) | 2019-03-27 | 2019-06-21 | 一种基于机器学习和知识推理的决策融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245874B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889282A (zh) * | 2019-11-28 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度学习的文本情感分析方法 |
CN110928961A (zh) * | 2019-11-14 | 2020-03-27 | 出门问问(苏州)信息科技有限公司 | 一种多模态实体链接方法、设备及计算机可读存储介质 |
CN111061883A (zh) * | 2019-10-25 | 2020-04-24 | 珠海格力电器股份有限公司 | 更新知识图谱的方法、装置、设备及存储介质 |
CN111311463A (zh) * | 2020-01-15 | 2020-06-19 | 深圳市华傲数据技术有限公司 | 基于数据标签建立人口画像的数据处理方法及系统 |
CN111488401A (zh) * | 2020-03-06 | 2020-08-04 | 天津大学 | 一种基于多元化关系画像技术的在线社会关系搜索方法 |
CN111666313A (zh) * | 2020-05-25 | 2020-09-15 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
CN112183465A (zh) * | 2020-10-26 | 2021-01-05 | 天津大学 | 一种基于人物属性和上下文的社会关系识别方法 |
CN112764839A (zh) * | 2021-02-02 | 2021-05-07 | 三盟科技股份有限公司 | 一种用于管理服务平台的大数据配置方法及系统 |
CN112836505A (zh) * | 2021-01-21 | 2021-05-25 | 中国科学院沈阳自动化研究所 | 一种基于多源数据的信息可信度检测与评价系统 |
CN112989182A (zh) * | 2021-02-01 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、信息处理设备及存储介质 |
CN112989065A (zh) * | 2021-03-23 | 2021-06-18 | 汪威 | 应用于大数据用户画像分析的信息处理方法和云计算平台 |
CN113052461A (zh) * | 2021-03-25 | 2021-06-29 | 重庆科技学院 | 一种基于概率图模式推断的文本智能教学评价方法 |
CN113204636A (zh) * | 2021-01-08 | 2021-08-03 | 北京欧拉认知智能科技有限公司 | 基于知识图谱的用户动态个性化画像方法 |
CN113254788A (zh) * | 2021-06-23 | 2021-08-13 | 佛山市墨纳森智能科技有限公司 | 一种基于大数据的推荐方法、系统及可读存储介质 |
CN113378941A (zh) * | 2021-06-16 | 2021-09-10 | 中国石油大学(华东) | 多决策融合的小样本图像分类方法 |
WO2022022334A1 (zh) * | 2020-07-30 | 2022-02-03 | 华为技术有限公司 | 基于人工智能的通信方法和通信装置 |
CN114417011A (zh) * | 2022-01-20 | 2022-04-29 | 北京北大英华科技有限公司 | 检察业务画像知识融合方法、装置、电子设备及存储介质 |
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
CN117290612A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市华图测控系统有限公司 | 一种基于行为分析的预测匹配方法及系统 |
CN117420760A (zh) * | 2023-11-24 | 2024-01-19 | 东莞市新佰人机器人科技有限责任公司 | 适用于机器人自主协作的多模态控制算法融合方法 |
CN118245616A (zh) * | 2024-05-28 | 2024-06-25 | 北京警察学院 | 一种多模态知识图谱整合方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516020A (zh) * | 2015-12-22 | 2016-04-20 | 桂林电子科技大学 | 一种基于本体知识推理的并行网络流量分类方法 |
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN107633075A (zh) * | 2017-09-22 | 2018-01-26 | 吉林大学 | 一种多源异构数据融合平台及融合方法 |
US20180268319A1 (en) * | 2017-03-17 | 2018-09-20 | Liang Guo | Mixed-initiative machine learning systems and methods for determining segmentations |
-
2019
- 2019-06-21 CN CN201910540848.6A patent/CN110245874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516020A (zh) * | 2015-12-22 | 2016-04-20 | 桂林电子科技大学 | 一种基于本体知识推理的并行网络流量分类方法 |
US20180268319A1 (en) * | 2017-03-17 | 2018-09-20 | Liang Guo | Mixed-initiative machine learning systems and methods for determining segmentations |
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN107633075A (zh) * | 2017-09-22 | 2018-01-26 | 吉林大学 | 一种多源异构数据融合平台及融合方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061883B (zh) * | 2019-10-25 | 2023-12-08 | 珠海格力电器股份有限公司 | 更新知识图谱的方法、装置、设备及存储介质 |
CN111061883A (zh) * | 2019-10-25 | 2020-04-24 | 珠海格力电器股份有限公司 | 更新知识图谱的方法、装置、设备及存储介质 |
CN110928961A (zh) * | 2019-11-14 | 2020-03-27 | 出门问问(苏州)信息科技有限公司 | 一种多模态实体链接方法、设备及计算机可读存储介质 |
CN110928961B (zh) * | 2019-11-14 | 2023-04-28 | 出门问问(苏州)信息科技有限公司 | 一种多模态实体链接方法、设备及计算机可读存储介质 |
CN110889282A (zh) * | 2019-11-28 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度学习的文本情感分析方法 |
CN111311463A (zh) * | 2020-01-15 | 2020-06-19 | 深圳市华傲数据技术有限公司 | 基于数据标签建立人口画像的数据处理方法及系统 |
CN111488401A (zh) * | 2020-03-06 | 2020-08-04 | 天津大学 | 一种基于多元化关系画像技术的在线社会关系搜索方法 |
CN111488401B (zh) * | 2020-03-06 | 2023-06-23 | 天津大学 | 一种基于多元化关系画像技术的在线社会关系搜索方法 |
CN111666313A (zh) * | 2020-05-25 | 2020-09-15 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
CN111666313B (zh) * | 2020-05-25 | 2023-02-07 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
WO2022022334A1 (zh) * | 2020-07-30 | 2022-02-03 | 华为技术有限公司 | 基于人工智能的通信方法和通信装置 |
CN112183465A (zh) * | 2020-10-26 | 2021-01-05 | 天津大学 | 一种基于人物属性和上下文的社会关系识别方法 |
CN113204636B (zh) * | 2021-01-08 | 2023-12-05 | 北京欧拉认知智能科技有限公司 | 基于知识图谱的用户动态个性化画像方法 |
CN113204636A (zh) * | 2021-01-08 | 2021-08-03 | 北京欧拉认知智能科技有限公司 | 基于知识图谱的用户动态个性化画像方法 |
CN112836505A (zh) * | 2021-01-21 | 2021-05-25 | 中国科学院沈阳自动化研究所 | 一种基于多源数据的信息可信度检测与评价系统 |
CN112989182A (zh) * | 2021-02-01 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、信息处理设备及存储介质 |
CN112989182B (zh) * | 2021-02-01 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、信息处理设备及存储介质 |
CN112764839A (zh) * | 2021-02-02 | 2021-05-07 | 三盟科技股份有限公司 | 一种用于管理服务平台的大数据配置方法及系统 |
CN112989065A (zh) * | 2021-03-23 | 2021-06-18 | 汪威 | 应用于大数据用户画像分析的信息处理方法和云计算平台 |
CN112989065B (zh) * | 2021-03-23 | 2021-10-01 | 易创经云数字科技有限公司 | 应用于大数据用户画像分析的信息处理方法和云计算系统 |
CN113052461A (zh) * | 2021-03-25 | 2021-06-29 | 重庆科技学院 | 一种基于概率图模式推断的文本智能教学评价方法 |
CN113378941A (zh) * | 2021-06-16 | 2021-09-10 | 中国石油大学(华东) | 多决策融合的小样本图像分类方法 |
CN113254788B (zh) * | 2021-06-23 | 2021-09-24 | 佛山市墨纳森智能科技有限公司 | 一种基于大数据的推荐方法、系统及可读存储介质 |
CN113254788A (zh) * | 2021-06-23 | 2021-08-13 | 佛山市墨纳森智能科技有限公司 | 一种基于大数据的推荐方法、系统及可读存储介质 |
CN114417011A (zh) * | 2022-01-20 | 2022-04-29 | 北京北大英华科技有限公司 | 检察业务画像知识融合方法、装置、电子设备及存储介质 |
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN115292523B (zh) * | 2022-08-04 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN115905702B (zh) * | 2022-12-06 | 2023-10-10 | 雨果跨境(厦门)科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
CN116307757B (zh) * | 2023-01-18 | 2024-02-20 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
CN117290612A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市华图测控系统有限公司 | 一种基于行为分析的预测匹配方法及系统 |
CN117420760A (zh) * | 2023-11-24 | 2024-01-19 | 东莞市新佰人机器人科技有限责任公司 | 适用于机器人自主协作的多模态控制算法融合方法 |
CN117290612B (zh) * | 2023-11-24 | 2024-02-06 | 深圳市华图测控系统有限公司 | 一种基于行为分析的预测匹配方法及系统 |
CN118245616A (zh) * | 2024-05-28 | 2024-06-25 | 北京警察学院 | 一种多模态知识图谱整合方法与系统 |
CN118245616B (zh) * | 2024-05-28 | 2024-08-27 | 北京警察学院 | 一种多模态知识图谱整合方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110245874B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245874A (zh) | 一种基于机器学习和知识推理的决策融合方法 | |
CN112612902B (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN107609052B (zh) | 一种基于语义三角的领域知识图谱的生成方法及装置 | |
US11528290B2 (en) | Systems and methods for machine learning-based digital content clustering, digital content threat detection, and digital content threat remediation in machine learning-based digital threat mitigation platform | |
CN110162591B (zh) | 一种面向数字教育资源的实体对齐方法及系统 | |
CN107798033B (zh) | 一种公安领域案件文本的分类方法 | |
CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
KR20200075114A (ko) | 이미지와 텍스트간 유사도 매칭 시스템 및 방법 | |
CN105389326B (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
CN109948668A (zh) | 一种多模型融合方法 | |
CN109376610B (zh) | 视频监控中基于图像概念网络的行人不安全行为检测方法 | |
CN112507077B (zh) | 基于关系图注意力神经网络的事件时序关系识别方法 | |
CN112597285B (zh) | 一种基于知识图谱的人机交互方法及系统 | |
Liu et al. | Behavior2vector: Embedding users’ personalized travel behavior to vector | |
CN110232133A (zh) | 一种基于特征融合和款式分类的服装图像检索方法和系统 | |
Qiu et al. | A survey of recent advances in CNN-based fine-grained visual categorization | |
CN118093979A (zh) | 一种基于大数据的互联网新闻分析系统及方法 | |
Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
CN113177164B (zh) | 基于大数据的多平台协同新媒体内容监控管理系统 | |
CN102004801A (zh) | 一种信息分类的方法 | |
CN116186298A (zh) | 信息检索方法和装置 | |
CN105975480A (zh) | 一种指令识别方法及系统 | |
Vu et al. | Graph-based clustering with background knowledge | |
Singh et al. | An effort to developing the knowledge base in data mining by factor analysis and soft computing methodology | |
Raveendra et al. | A novel two-stage optimized model for logo-based document image retrieval based on a soft computing framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |